CN112598904A - 一种基于线性灰色卷积模型的城市路网交通流预测方法 - Google Patents

一种基于线性灰色卷积模型的城市路网交通流预测方法 Download PDF

Info

Publication number
CN112598904A
CN112598904A CN202011436907.4A CN202011436907A CN112598904A CN 112598904 A CN112598904 A CN 112598904A CN 202011436907 A CN202011436907 A CN 202011436907A CN 112598904 A CN112598904 A CN 112598904A
Authority
CN
China
Prior art keywords
traffic flow
gray
road
convolution
linear
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011436907.4A
Other languages
English (en)
Inventor
曹阳
沈琴琴
朱镕琦
梁爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN202011436907.4A priority Critical patent/CN112598904A/zh
Publication of CN112598904A publication Critical patent/CN112598904A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于线性灰色卷积模型的城市路网交通流预测方法，包括以下步骤：S1、选定待测路段并筛选出与待测路段交通流数据关联性较大的相关路段；S2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型；S3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对待测路段交通流进行预测。本发明针对城市路网交通流的时空特性，首次提出运用线性优灰色卷积多变量预测模型对交通流进行预测，比灰色单变量模型更合理，预测精度更高，是对交通流预测模型的改进和完善。

Description

一种基于线性灰色卷积模型的城市路网交通流预测方法
技术领域
本发明涉及交通流预测技术领域，尤其涉及一种基于线性灰色卷积模型的城市路网交通流预测方法。
背景技术
交通运输业是国民经济的命脉，随着世界经济的蓬勃发展和汽车工业的日益进步，交通运输业的面貌发生了巨大的改变。交通运输业的高速发展一方面能有效的组织生产，提高城市客货流的有效运转，促进城市经济发展。但也不可避免的带来了一系列的负面影响，机动车辆保有量迅猛增加，城市交通状况日渐恶化，交通拥堵以及能源、环境问题日益严重。在现有道路资源的条件下，要从根本上改变交通拥堵状况，应该综合运用智能交通系统合理地预测交通流数据，向出行者及交通管理部门提供实时、高效、准确的信息，提高交通控制和管理水平，充分发挥全路网的通行能力及运输效率。
交通流作为依附在道路上的一种交通现象，目标路段上的交通流时间序列除了在时间维度上遵循自身的变化规律外，还受到道路网内其他路段上交通流的影响。灰色预测模型在交通流预测中研究还属于起步阶段，已提出的交通流预测模型仅从交通流的时间维度考虑，运用单变量的灰色预测模型对路段交通流进行预测，很少从时空维度考虑城市路网中目标路段的交通流预测问题。
发明内容
基于背景技术中存在的技术问题，本发明提出了一种基于线性灰色卷积模型的城市路网交通流预测方法
本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法，包括以下步骤：
S1、选定待测路段并筛选出与待测路段交通流数据关联性较大的相关路段；
S2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型；
S3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对待测路段交通流进行预测。
优选的，在步骤S1中，利用灰色关联分析法筛选出与待测路段交通流数据相关联的相关路段。
优选的，步骤S1具体包括：选定一个城市路网系统，设定N个路段：
Figure BDA0002828757250000021
其中
Figure BDA0002828757250000022
为城市路网系统X(0)中待测路段，
Figure BDA0002828757250000023
为城市路网中其他路段；设定各路段的交通流数据长度为n，即：
Figure BDA0002828757250000024
根据灰色关联分析法计算其他路段交通流与待测路段
Figure BDA0002828757250000025
交通流的灰色关联度γ，其计算公式如下：
Figure BDA0002828757250000026
其中i＝1,2,…,N，k＝1,2,…,n；ρ为分辨系数，取值0-1；
选取灰色关联度较大的路段为相关路段。
优选的，步骤S2具体为：定义
Figure BDA0002828757250000027
的一阶累加生成序列为
Figure BDA0002828757250000028
其中
Figure BDA0002828757250000029
由
Figure BDA00028287572500000210
的连续相邻两项构建均值生成序列
Figure BDA00028287572500000211
其中
Figure BDA00028287572500000212
线性灰色卷积多变量预测模型为
Figure BDA00028287572500000213
其中β1为发展系数，βi为驱动系数，μ1k为引入的线性矫正项，μ2为模型参数。
优选的，线性灰色卷积多变量预测模型中参数P＝(β1,β1,…βN,μ1,μ2)T可由最小二乘法求得：
P＝(BTB)-1BTY；
其中：
Figure BDA0002828757250000031
在初始值
Figure BDA0002828757250000032
下，根据迭代方法得到线性灰色卷积多变量预测模型的时间响应函数
Figure BDA0002828757250000033
其中k＝1,2,...；
根据一阶累减运算得到原始序列的预测：
Figure BDA0002828757250000034
本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法，首先通过灰色关联分析法计算与待测路段关联度较大的路段作为相关路段，然后通过引入线性校正项，建立线性灰色卷积多变量预测模型，最后代入相关路段交通流数据对待测路段交通流进行预测。本发明针对城市路网交通流的时空特性，首次提出运用线性优灰色卷积多变量预测模型对交通流进行预测，比灰色单变量模型更合理，预测精度更高，是对交通流预测模型的改进和完善。本发明灰色预测模型不需要大量的数据作为预测基础，减少了计算冗杂性、提高了预测速度。此外，考虑了城市路网的时空特性和线性相关性，提高了交通流预测的精度，保证本方法对交通流的实时预测能力和效果。
附图说明
图1为本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法的流程图。
具体实施方式
参照图1，本发明提出一种基于线性灰色卷积模型的城市路网交通流预测方法包括以下步骤：
S1、选定待测路段，利用灰色关联分析法筛选出与待测路段交通流数据相关联的相关路段。
具体地，本步骤中，先选定一个城市路网系统，设定N个路段：
Figure BDA0002828757250000041
其中
Figure BDA0002828757250000042
为城市路网系统X(0)中待测路段，
Figure BDA0002828757250000043
为城市路网中其他路段；设定各路段的交通流数据长度为n，即：
Figure BDA0002828757250000044
根据灰色关联分析法计算其他路段交通流与待测路段
Figure BDA0002828757250000045
交通流的灰色关联度γ，其计算公式如下：
Figure BDA0002828757250000046
其中i＝1,2,…,N，k＝1,2,…,n；ρ为分辨系数，通常取值0.5；
选取灰色关联度较大的路段为相关路段。
下表为长沙市芙蓉区城市路网中各路段交通流流量数据(见表1)：
表1各路段交通流流量
Figure BDA0002828757250000047
Figure BDA0002828757250000051
根据灰色关联度计算结果(见表2)可以看出与路段1关联性较强的路段为路段3和路段6。
表2各路段与路段1的关联度
路段 路段2 路段3 路段4 路段5 路段6 路段7
关联度 0.7473 0.8384 0.7791 0.4210 0.8659 0.4492
S2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型。
具体地，定义
Figure BDA0002828757250000052
的一阶累加生成序列为
Figure BDA0002828757250000053
其中
Figure BDA0002828757250000054
由
Figure BDA0002828757250000055
的连续相邻两项构建均值生成序列
Figure BDA0002828757250000056
其中
Figure BDA0002828757250000057
线性灰色卷积多变量预测模型(OGMC(1,N))为
Figure BDA0002828757250000058
其中β1为发展系数，βi为驱动系数，μ1k为引入的线性矫正项，μ2为模型参数。
线性灰色卷积多变量预测模型中参数P＝(β1,β1,…βN,μ1,μ2)T可由最小二乘法求得：
P＝(BTB)-1BTY；
其中：
Figure BDA0002828757250000061
在初始值
Figure BDA0002828757250000062
下，根据迭代方法得到线性灰色卷积多变量预测模型的时间响应函数
Figure BDA0002828757250000063
其中k＝1,2,...；
根据一阶累减运算得到原始序列的预测：
Figure BDA0002828757250000064
根据步骤S1结算结果，我们选择路段3和路段6作为关联路段。路段中前16个数据用来建立模型，后四个数据用来预测。相应矩阵B和Y表示如下：
Figure BDA0002828757250000071
根据最小二乘法得参数
P＝(β1,β1,…βN,μ1,μ2)T＝(-0.1467,0.8517,1.0010,-128.2616,-65.7213)T
把求得参数带入时间响应函数，再根据一阶累减操作可得最后预测值。
S3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对城市路网中待测路段交通流进行预测。
本实施方式中，步骤S3具体包括：
根据步骤S1计算结果，筛选出路段3和路段6的交通流数据，运用步骤S2中的线性灰色卷积多变量预测模型对城市路网中待测路段交通流进行预测，预测结果为
Figure BDA0002828757250000072
为了说明线性灰色卷积多变量预测模型(OGMC(1,N))的有效性，将其预测结果与传统灰色多变量模型(GM(1,N))、传统灰色卷积模型(GMC(1,N))和其他常见的预测模型：时间序列ARIMA模型，智能BP神经网络进行比较。选用绝对平均百分比误差(MAPE)作为比较标准，其计算公式如下
Figure BDA0002828757250000081
各个模型数值比较结果见表3。
表3数值计算结果
原始数据 GM(1,N) GMC(1,N) ARIMA BP OGMC(1,N)
186 193.9 173.3 173.9 181.9 196.7
193 176.5 175.3 177.7 183.4 192.2
175 180.9 171.6 183.9 180.7 181.2
194 181.1 164.3 182.4 185.0 187.7
MAPE 5.72 8.31 6.38 3.77 3.24
本实施方式针对城市路网交通流数据序列的时空相关性，在不需要大量的数据情况下建模，适用于实时的交通流预测，能够有效地提高交通流数据的预测精度。具体地，本发明首先通过灰色关联度计算筛选出与待测路段关联系数较大的路段作为相关路段，然后通过引入线性校正项，建立优化的灰色卷积多变量预测模型，最后根据相关路段的历史交通流流量数据对待测路段交通流流量进行预测。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于线性灰色卷积模型的城市路网交通流预测方法，其特征在于，包括以下步骤：
S1、选定待测路段并筛选出与待测路段交通流数据关联性较大的相关路段；
S2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型；
S3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对待测路段交通流进行预测。
2.根据权利要求1所述的基于线性灰色卷积模型的城市路网交通流预测方法，其特征在于，在步骤S1中，利用灰色关联分析法筛选出与待测路段交通流数据相关联的相关路段。
3.根据权利要求2所述的基于线性灰色卷积模型的城市路网交通流预测方法，其特征在于，步骤S1具体包括：选定一个城市路网系统，设定N个路段：
Figure FDA0002828757240000017
其中
Figure FDA0002828757240000011
为城市路网系统X(0)中待测路段，
Figure FDA0002828757240000012
为城市路网中其他路段；设定各路段的交通流数据长度为n，即：
Figure FDA0002828757240000013
根据灰色关联分析法计算其他路段交通流与待测路段
Figure FDA0002828757240000014
交通流的灰色关联度γ，其计算公式如下：
Figure FDA0002828757240000015
其中i＝1,2,…,N，k＝1,2,…,n；ρ为分辨系数，取值0-1；
选取灰色关联度较大的路段为相关路段。
4.根据权利要求3所述的基于线性灰色卷积模型的城市路网交通流预测方法，其特征在于，步骤S2具体为：定义
Figure FDA0002828757240000016
的一阶累加生成序列为
Figure FDA0002828757240000021
其中
Figure FDA0002828757240000022
由
Figure FDA0002828757240000023
的连续相邻两项构建均值生成序列
Figure FDA0002828757240000024
其中
Figure FDA0002828757240000025
线性灰色卷积多变量预测模型为
Figure FDA0002828757240000026
其中β1为发展系数，βi为驱动系数，μ1k为引入的线性矫正项，μ2为模型参数。
5.根据权利要求4所述的基于线性灰色卷积模型的城市路网交通流预测方法，其特征在于，线性灰色卷积多变量预测模型中参数P＝(β1,β1,…βN,μ1,μ2)T可由最小二乘法求得：
P＝(BTB)-1BTY；
其中：
Figure FDA0002828757240000027
在初始值
Figure FDA0002828757240000028
下，根据迭代方法得到线性灰色卷积多变量预测模型的时间响应函数
Figure FDA0002828757240000029
其中k＝1,2,...；
根据一阶累减运算得到原始序列的预测：
Figure FDA00028287572400000210
CN202011436907.4A 2020-12-10 2020-12-10 一种基于线性灰色卷积模型的城市路网交通流预测方法 Pending CN112598904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011436907.4A CN112598904A (zh) 2020-12-10 2020-12-10 一种基于线性灰色卷积模型的城市路网交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011436907.4A CN112598904A (zh) 2020-12-10 2020-12-10 一种基于线性灰色卷积模型的城市路网交通流预测方法

Publications (1)

Publication Number Publication Date
CN112598904A true CN112598904A (zh) 2021-04-02

Family

ID=75191565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011436907.4A Pending CN112598904A (zh) 2020-12-10 2020-12-10 一种基于线性灰色卷积模型的城市路网交通流预测方法

Country Status (1)

Country Link
CN (1) CN112598904A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550454A (zh) * 2022-02-24 2022-05-27 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN110414719A (zh) * 2019-07-05 2019-11-05 电子科技大学 一种基于多变量灰色模型时间序列的车流量预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111523706A (zh) * 2020-04-06 2020-08-11 武汉理工大学 一种基于深度学习组合模型的断面车道级短时交通流预测方法
US20200272864A1 (en) * 2017-11-06 2020-08-27 University Health Network Platform, device and process for annotation and classification of tissue specimens using convolutional neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
US20200272864A1 (en) * 2017-11-06 2020-08-27 University Health Network Platform, device and process for annotation and classification of tissue specimens using convolutional neural network
CN110414719A (zh) * 2019-07-05 2019-11-05 电子科技大学 一种基于多变量灰色模型时间序列的车流量预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111523706A (zh) * 2020-04-06 2020-08-11 武汉理工大学 一种基于深度学习组合模型的断面车道级短时交通流预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUHONG WANG等: "An approach to increase prediction precision of GM(1,1) model based on optimization of the initial condition", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
张可 等: "线性时变参数离散灰色预测模型", 《系统工程理论与实践》 *
齐绪存 等: "时空融合的DGM(1,N)模型在城市路网短时交通流预测中的应用", 《科技创新与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550454A (zh) * 2022-02-24 2022-05-27 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法
CN114550454B (zh) * 2022-02-24 2023-05-09 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法

Similar Documents

Publication Publication Date Title
CN106951976B (zh) 一种基于模式分类的公交客流预测方法
CN111613054B (zh) 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
CN112289034A (zh) 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN112270355B (zh) 基于大数据技术与sae-gru的主动安全预测方法
CN112053560B (zh) 基于神经网络的短时交通流量预测方法、系统和存储介质
CN107705157A (zh) 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统
CN108447260B (zh) 一种基于Fourier级数改进残差的短时交通流预测方法及系统
CN111915073A (zh) 一种考虑日期属性和天气因素的铁路城际客流短期预测方法
CN109637128B (zh) 一种基于Markov的灰色Verhulst短时交通流预测方法及系统
CN111738477B (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN113496314B (zh) 一种神经网络模型预测道路交通流量的方法
CN110991734A (zh) 一种基于多目标优化和svr的地铁客流预测方法
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
CN112598904A (zh) 一种基于线性灰色卷积模型的城市路网交通流预测方法
CN113435666A (zh) 一种基于车辆运行状态的商用车油耗预测方法及系统
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN113313343B (zh) 基于动态时间切片和热度迁移的即时车辆共乘匹配方法
CN109242190A (zh) 基于bfgs-fa优化分数阶灰色模型的中长期负荷预测方法和系统
CN113537596A (zh) 一种城市轨道交通新线站点短时客流预测方法
CN109101683B (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN117726263A (zh) 一种基于机器学习算法的煤炭公路运价预测方法
CN108134687B (zh) 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法
Mohd Lip et al. Comparative study of smoothing methods and box-jenkins model in forecasting unemployment rate in Malaysia
CN114021819B (zh) 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402